1. 引言：什么是分子生成？为什么需要质量评估？

大家好，我是做计算化学和机器学习交叉研究的。这几年分子生成这个话题是真火——从药物发现到材料设计，到处都在提。但说实话，我入行那会儿，大家更多是「生成出来就行」，对质量评估这事重视不够。直到我在一个项目里吃过亏，才彻底改变看法。

1.1 分子生成到底在干什么？

分子生成，说白了就是用算法「创作」新分子。传统方法靠化学家在实验室里一个一个试，或者用计算机枚举类似物。现在深度学习来了，我们可以训练一个模型，让它学会化学空间里的规律，然后自动产出大量候选分子。

举个例子：你想找一种新的抗生素。你可以把已知的抗菌分子结构喂给生成模型，模型会学习这些分子的骨架、官能团、电荷分布等特征。训完后，你给它一个「目标活性」或者「要抑制的靶点」，它就能噼里啪啦生成几千个理论上可行的分子结构。

听起来很美好对吧？但问题来了——你怎么知道这些分子靠谱不靠谱？

1.2 为什么质量评估是绕不过去的坎

我记得有一次，我们团队用生成模型跑了十万个分子，看上去个个结构新颖、满足合成可行性。结果一测活性，90%都是假阳性。嗯，那个月我基本都在洗数据。你想想看，如果不做质量评估，直接往下游推进，实验经费、人力全白搭。

质量评估要回答这几个核心问题：

• 有效性（Validity）：生成的分子化学上合理吗？有没有违背价键规则？
• 新颖性（Novelty）：它是不是真的「新」，还是仅仅在重复已知分子？
• 多样性（Diversity）：生成的一批分子彼此之间差异够大吗？还是都长差不多？
• 可合成性（Synthesizability）：实验室里能不能造出来？
• 目标相关性（Relevance）：它有没有我们想要的生物活性或物理性质？

这些维度不是互斥的，它们经常相互冲突。比如，新颖的分子往往合成难度高；活性高的分子可能多样性不够。好评估方法，要能帮你在这些目标之间找到平衡。

1.3 一个真实案例：为什么我从此不敢跳过评估

我曾经参与过一个合作项目，甲方要求用生成模型设计新型激酶抑制剂。我们模型跑出来一万多个候选，结构五花八门。当时觉得「嗯，看起来不错」，直接给甲方交付了 top-100 列表。结果对方拿去做虚拟筛选，发现一半以上分子连基本的氢键供体/受体数目都不对劲——根本不符合利平斯基五规则。

那次之后我学乖了：生成质量评估不能最后才做，而应该在模型训练、采样、后处理各个阶段都加入检查。至少加个基本的有效性滤波器，也能拦下 30% 的无用分子。

1.4 本书要讲什么？一张图先看全貌

这本指南会从最基本的概念开始，一步步深入每个质量指标的定义、计算公式、优缺点以及实际使用场景。下面这张图是我们整本书的知识架构，你先有个整体印象：

1.5 你会在本书中学到什么？

这不是一本纯理论书。我个人习惯把每个指标都落到代码可执行的层面。比如：

• 有效性：怎么用 RDKit 快速检查分子价键合法性？
• 新颖性：如何定义「新颖」？用 Tanimoto 相似度还是用专利数据库去重？
• 多样性：用平均 pairwise Tanimoto 还是用聚类中心距离？优缺点是什么？
• 可合成性：SA Score 是怎么算出来的？能不能自己实现一个简化版？
• 目标相关性：怎么结合对接打分和药效团匹配做综合评估？

每个章节都会给出公式推导、图解说明、Python 实现示例以及需要注意的坑。我还会穿插一些项目中的踩坑记录，让你少走弯路。

1.6 质量评估的核心公式一览（预告）

这里我先列一个快速索引表，每个公式在后续章节都会有展开讲解和代码实现：

1.7 写在开始之前